NeXtBrain:结合本地和全球特征学习来进行脑瘤分类
Ishak Pacal1, Ozan Akhan2, Rumeysa Tuna Deveci3
1Department of Computer Engineering, Faculty of Engineering, Igdir University, 76000 Igdir, Turkey; Department of Electronics and Information Technologies, Faculty of Architecture and Engineering, Nakhchivan State University, AZ 7012, Nakhchivan, Azerbaijan.
Brain research
|June 9, 2025
概括
NeXtBrain是一种全新的混合深度学习架构,在保持计算效率的同时,在脑瘤分类方面实现了高准确性. 该模型有效地捕捉了本地和全球瘤特征,优于现有的最先进的方法.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 准确的脑瘤诊断对于治疗和患者的结果至关重要.
- 深度学习模型在医学图像分析中努力平衡准确性,概括性和效率.
- 在计算上捕获本地和全球瘤特征是具有挑战性的.
研究的目的:
- 介绍NeXtBrain,一个新的混合深度学习架构用于脑瘤分类.
- 克服现有模型在捕捉各种瘤特征和计算成本方面的局限性.
- 为了实现大脑瘤诊断的高准确性,稳定性和效率.
主要方法:
- 开发了NeXtBrain,这是一个混合架构,包括NeXt卷积块 (NCB) 和NeXt变压器块 (NTB).
- 对于局部特征提取,NCB使用多头卷积注意和基于SwiGLU的MLP.
- NTB集成了自我注意力,卷积注意力和SwiGLU MLP,用于全球上下文建模.
主要成果:
- 在Figshare数据集上,NeXtBrain实现了99.78%的准确性和99.77%的F1得分.
- 在Kaggle数据集上,NeXtBrain获得了99.78%的准确性和99.81%的F1分数.
- 性能优于包括ViT,CNN和混合方法在内的17个最先进的模型,参数显著减少 (23.91M) 和计算成本降低 (10.32 GFLOPs).
结论:
- NeXtBrain为脑瘤分类提供了一个计算效率高和高度准确的解决方案.
- 混合架构有效地捕捉了细粒度的本地和远程的全球瘤特征.
- NeXtBrain代表了医疗图像分析深度学习的重大进步,使得更好的临床决策成为可能.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K